[发明专利]一种基于长尾分布数据集的目标检测方法

说明书

本发明公开了一种基于长尾分布数据集的目标检测方法，涉及目标检测技术领域，包括以下步骤：预先将图片占比小于千分之一类别定义为小样本类别，其中包括小样本类别产生的神经网络损失进行加权，实现小样本类别产生的神经网络损失要大于大样本类别产生的神经网络损失；标定平衡不同类别在神经网络中损失权重，确定小样本类别对于目标检测网络的影响系数。本发明在目标检测神经网络训练中对小样本类别进行神经网络损失加权的算法，在一定程度上缓解了样本数目过少的类别对目标检测网络的影响过小的问题，平衡了在不同样本比例类别之间的差异，提高了小样本类别被目标检测网络感知的能力。

技术领域

本发明涉及目标检测技术领域，具体来说，涉及一种基于长尾分布数据集的目标检测方法。

背景技术

目标检测是计算机视觉和图像处理领域一个重要的研究方向。目标检测可以判断在图片或者视频中是否存在特定对象，并将存在的特定目标对象进行标注。由于目标检测区别特定目标对象与其他无关对象的特性，目标检测被广泛应用于视频监控，智能导航，医药检测，航空航天等重要领域。

然而现实生活中大部分目标检测的数据类型都呈现长尾分布的特点，即在不同数据类别下的样本比例并不是均衡分布。比如对于道路行驶的车辆检测，双层巴士出现的概率远小于小轿车出现的概率，采集到双层巴士的图片数目就会远小于小轿车的图片数目。在对长尾分布的数据类别的目标检测中，由于缺乏对小样本类别的特征学习，较小样本的类别在目标检测中无法获得很好的效果。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于长尾分布数据集的目标检测方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于长尾分布数据集的目标检测方法，包括以下步骤：

步骤S1，预先将图片占比小于千分之一类别定义为小样本类别，其中包括小样本类别产生的神经网络损失进行加权，实现小样本类别产生的神经网络损失要大于大样本类别产生的神经网络损失；

步骤S2，标定平衡不同类别在神经网络中损失权重，确定小样本类别对于目标检测网络的影响系数；

步骤S3，确定在神经网络层面进行类平衡重采样来增加训练样本中小样本的类别的比重。

进一步的，包括以下步骤：

标定ResNet作为特征提取网络，其包括对输入的图片进行卷积操作，通过池化层，标定为CNN网络特征提取结构；

进行目标识别过程中，包括在图像中进去前景和背景的区分，对前景进行分类。

进一步的，包括以下步骤：

通过卷积运算操作和池化层从原图中提取到feature map；

网络训练从feature map中获得目标的位置；

在feature map中生成用于分类的目标，通过池化固定数据长度；

确定前景概率最高的N个proposal，通过非极大值抑制后选择前景概率最高的M个proposal；

对新产生的偏移量进行回归获得精确位置。

进一步的，包括以下步骤：

标定N个需要训练的样本，确定其稀有类，并清除在特定条件下的负梯度，表示如下：

其中，c代表类别个数，代表输出的预测值；

添加一个[0,1]取值的系数w_j，表示为：